[論文レビュー] Constant State of Change: Engagement Inequality in Temporal Dynamic Networks

Hadar Miller, Osnat Mokryn|arXiv (Cornell University)|Oct 3, 2019

Complex Network Analysis Techniques参考文献 68被引用数 18

ひとこと要約

本稿では、ネットワークサイズやノードID、履歴データを事前に知らなくてもよい、サイズに依存しないオンラインの変化点検出フレームワークを提案する。このフレームワークは、ケルモゴロフ＝スミルノフ（KS）距離を用いて次数分布の変化を分析することで構造的シフトを検出する。エナロン電子メールデータセットにおいて、高い正確性（0.9）と再現率（0.9）を達成し、合成ネットワークおよび実世界のネットワークにおいて、先行研究を上回る性能を発揮した。

ABSTRACT

The temporal changes in complex systems of interactions have excited the research community in recent years as they encompass understandings on their dynamics and evolution. From the collective dynamics of organizations and online communities to the spreading of information and fake news, to name a few, temporal dynamics are fundamental in the understanding of complex systems. In this work, we quantify the level of engagement in dynamic complex systems of interactions, modeled as networks. We focus on interaction networks for which the dynamics of the interactions are coupled with that of the topology, such as online messaging, forums, and emails. We define two indices to capture the temporal level of engagement: the Temporal Network (edge) Intensity index, and the Temporal Dominance Inequality index. Our surprising results are that these measures are stationary for most measured networks, regardless of vast fluctuations in the size of the networks in time. Moreover, more than 80% of weekly changes in the indices values are bounded by less than 10%. The indices are stable between the temporal evolution of a network but are different between networks, and a classifier can determine the network the temporal indices belong to with high success. We find an exception in the Enron management email exchange during the year before its disintegration, in which both indices show high volatility throughout the inspected period.

研究の動機と目的

• ネットワークサイズやノードIDの事前知識がなくても、進化する時系列ネットワークにおける構造的変化を検出すること。
• 変動するネットワークサイズや動的変化するノード集合に耐性を持つ、リアルタイムで動作するオンラインの変化点検出フレームワークを構築すること。
• エナロンやアスクユーブトなどの実世界データセットに加え、合成ネットワークにおいてもフレームワークの性能を評価すること。
• 次数分布の変化を検出する際の、既存の距離尺度（KL、RH）と比較して、提案手法の有効性を検証すること。
• p値に基づく仮説検定を用いて感度を調整することで、急激なシフトだけでなく、徐々に変化するトレンドの検出を可能にすること。

提案手法

• 時間経過に伴うネットワークスナップショットの次数分布を分析するために、スライディングウィンドウ手法を用いる。
• 連続するウィンドウ間の次数分布を比較するために、ケルモゴロフ＝スミルノフ（KS）統計的検定を適用し、変化の有意性を示すp値を計算する。
• データ駆動型のしきい値を用いた仮説検定により、ランダムな揺らぎとは異なる真の変化点を区別する。
• 理論的分布のフィッティングや事前のノード数の知識が不要であるため、オンライン動作が可能である。
• KS、KL、RHの複数の距離尺度を比較可能にし、中規模ネットワークではKSが最も優れた性能を示した。
• 各ネットワークスナップショットを次数分布として扱うことで、ノード数の変動に関係なく、サイズに依存しない分析が可能になった。

実験結果

リサーチクエスチョン

• RQ1 ネットワークサイズやノードIDの事前知識がなくても、変化点検出フレームワークが効果的に動作するか？
• RQ2 エラーズ＝レニー（Erdős–Rényi）やスモールワールドなどの異なるネットワークモデルにおいて、フレームワークは次数分布の変化をどのように検出するか？
• RQ3 変化するネットワークにおける構造的変化を検出する際、KS、KL、RH距離尺度の相対的な性能はいかがなものか？
• RQ4 p値のしきい値を調整することで、急激なシフトだけでなく、時間経過に伴い徐々に変化するトレンドも検出可能か？
• RQ5 真の変化点が分かっている実世界データセットにおいて、先行手法と比較して正確性と再現率の両面で性能が優れているか？

主な発見

• エナロン電子メールデータセットにおいて、14個の既知の変化点のうち13個を90%の正確性と90%の再現率で検出できた。
• 後者に偽陽性が存在しないにもかかわらず、[3]で提示されたGHRGベースの手法よりも正確性と再現率の両面で優れた性能を示した。
• 合成エラーズ＝レニー（ER）およびカバーマンネットワークにおいて、KSに基づくフレームワークはKLおよびRH尺度よりも優れた検出性能を示した。
• 中規模ネットワークではKS距離尺度が最も効果的であったが、長尾分布ではRHがより優れた性能を示した。
• 急激な変化だけでなく、徐々に変化するトレンドの両方を検出でき、p値のしきい値による感度調整が可能であった。
• フレームワークはオンライン動作が可能で、サイズに依存せず、履歴データやノードIDの追跡が不要であるため、リアルタイム応用に適している。